近几年,随着深度学习理论与技术的发展,计算机视觉领域的相关研究也越来越深入,在图像分割领域则细化出语义分割和实例分割两个分支。实例分割的任务就是利用计算机将人感兴趣的物体提取出来,屏蔽掉背景等噪声信息。本论文针对实例分割任务,对国内外相关现状进行了总结,并对实例分割问题中的关键问题进行了研究。主要工作包括:(1)基于多阶特征融合的图像实例分割网络实例分割算法Mask-RCNN的语义分割分支网络采用简单的全卷积网络,性能有限。本文针对此分支网络进行改进,提出了特征融合模块和池化链模块。通过这两个模块的处理,不仅可以增强网络提取特征的性能,获取大背景下的图像上下文信息,同时还避免了因为卷积和池化的处理所导致的空间信息的丢失。在染色体数据集和植物数据集上的实验,表明本文的改进算法,在分割性能上有有着明显的提升。(2)融合自注意力机制和路径增强的图像实例分割网络传统的特征金字塔融合网络采用简单的特征相加,对于最高层级的特征图没有深度挖掘出有效信息,融合的方式也只是在二维空间进行。对此,本文提出了自注意力模块对最高层级特征图进行深入挖掘,从中提取多尺度信息并将之融合。并进一步设计了路径增强结构,在原有特征金字塔结构的前提下引入空间维度注意力,对低级特征图进行加权,指导特征融合的方向。实验结果验证了该方法的有效性。